片上偏差模式OCV,AOCV,SOCV

文章目录

片上偏差模式OCV,AOCV,SOCV
一、片上偏差模式OCV,AOCV,SOCV
二、ＡＯＣＶ
三、ＳＯＣＶ

片上偏差模式OCV,AOCV,SOCV

OCV:On Chip Variation
AOCV:Advance On Chip Variation
SOCV:Statistic On Chip Variation
有一篇相关文章说的特别好，码住
论STA | POCV/SOCV 对lib 的要求

静态时序分析基本方法

一、片上偏差模式OCV,AOCV,SOCV

OCV又称片上偏差模式，传统的PVT条件的时序分析仅能表征全局波动，忽略了局部波动，但随着工艺特征尺寸不断减小，局部波动越来越重要。

全局波动：整个芯片上的工艺参数波动，指wafer to wafer，die to die的波动。。
局部波动：同一个die上的不同晶体管的工艺参数不一样。

标准OCV模式：读入两套时序库，一般为最好和最差两套库。在进行建立时间和保持时间进行分析时，将时序路径的发射路径和捕捉路径分开考虑。OCV模拟最悲观的情况进行仿真。针对建立时间分析时，发射路径用最差时序库，捕捉路径用最好时序库。针对保持时间来说，反之。

但仅通过读入的时序库组成的工艺角无法满足设计需求，在实际的OCV模式下设置一个全局偏移因子derate，模拟多个工艺角的局部工艺参数波动情况。

二、ＡＯＣＶ

AOCV是在OCV模式基础上发展和改进的。在OCV中设置了一个全局偏移因子增加悲观量，这一悲观量会作用在时序路径的所有物理单元，导致在较长的时序路径上引入过多悲观量。并且实际的所有标准单元的延时都朝着更悲观的方向调整显然是不符合实际情况的。AOCV引入了一个动态的derate因子。数值一般与路径深度Depth和物理距离diatance有关，有的也仅与Depth有关。

derate表的产生：通过时序库、SPICE库、SPICE网表和蒙特卡洛仿真，可以得到AOCV因子变化表。这里我们将蒙特卡洛模拟的结果作为真是芯片时序结果等价，实际也确实是这样，这是因为蒙特卡洛的SPICE仿真太过耗时，难以接受，因而采取工艺库的方法进行分析。

比较抽象的理解这个过程，路径越深，标准单元的距离越小，片上偏差越小，那么derate就趋向于１，反之距离越大，derate越偏离１，用这样的一个过程查找不同单元的derate。从而使得时序更加容易收敛，与实际物理芯片更加契合。

三、ＳＯＣＶ

SOCV又是在AOCV的基础上发展起来的，甚至可以认为是简化的SSTA。
SSTA：Statistic Static Timing Analysis

AOCV四个问题：
1.在16nm及以下先进制程，路径深度depth快速增加，路径深度过高，并且由于derate偏移系数是由于hspice仿真得到的，带来了大量的计算量
2.并且在PD物理设计过程中不可避免的需要使用ECO（工程变更指令），常常使用的没有逻辑功能的单元如缓冲器，导致derate系数不再适用需要重新计算。
3.并且path depth计算有GBA给出太过悲观，由PBA给出计算量太大。
4.没有考虑单元的transition和load带来的影响。

为了解决AOCV带来的诸多问题，SOCV应运而生。正如SSTA领域所证实的那样，硅中的local variation是一个正态分布/类正态分布，基于统计学概率分布模拟工艺偏差的影响，由于SSTA在实际使用过程中较大的计算量，难以真正落地使用。

SOCV借用了SSTA的想法，将工艺参数看成高斯分布，建立了特有的时序库。因而每一个单元的延时被构建成一个高斯分布，除了一般时序库存在的延时参数外，还增加了延时的均值和方差信息。根据高斯分布园里随机数落在（μ-3σ，μ+3σ）的概率为99.73%，实际应用中认为这一概率代表的置信区间足够高，搞到一个近似认为必然事件。在这一范围内加上一个小的偏差，可以认为时序结果满足工艺偏差的考虑情况。

SOCV优势/特点
1.更加精确。和SPICE的门卡结果非常符合。
2.考虑了transition和load的影响
3.每个单元用统计分布表示，避免了计算depth带来的计算量。
4.避免了计算derate衰减系数带来的大量hspice仿真

下图展示了不同片上偏差模式的derate和真实情况的对比
引用自https://www.cnblogs.com/lelin/p/11392056.html

上面传统的LVF，为解决低电压下延时非高斯的问题，引入moment的方法。如下两张图对比所示，除了均值，方差，引入偏斜。